一种基于深度学习的CBCT散射校正成像方法技术

本发明专利技术公开了一种基于深度学习的CBCT散射校正成像方法，涉及生命科学、医学及工业检测技术领域，其技术方案要点在于，通过基于深度学习的成像方法，对CBCT成像过程中的散射进行校正操作，利用构建的深度神经网络输出预测的sCT图像，基于sCT图像计算散射信号，获得散射信号投影图，将原始CBCT投影图与散射信号投影图作差后获得优化投影图，并重建获得优化CBCT图像，提高了CBCT散射校正效率，减少散射带来的伪影，整个过程基于深度学习与蒙特卡罗模拟，提高了散射校正的效率与图像质量。

【技术实现步骤摘要】

本专利技术涉及生命科学、医学及工业检测，更具体的说，它涉及一种基于深度学习的cbct散射校正成像方法。

技术介绍

1、cbct(cone beam computed tomography)是一种三维成像技术，它结合了传统的x射线技术和计算机图像重建技术。cbct广泛应用于医学影像、牙科、放射治疗、工业检测等领域，目前在医学应用中cbct图像中容易出现的散射伪影通常会导致图像软组织对比度降低，图像质量降低等问题，这会对辅助治疗、疾病的诊断造成影响。近些年来，许多研究人员提出了cbct图像散射伪影校正方法来提高cbct的影像质量。这些方法可以大致分为硬件校正、基于模型的散射校正、基于深度学习的散射伪影校正。

2、硬件校正方法主要是通过增添滤除散射的硬件设备，即在x射线到达探测器之前，通过光束阻挡器、抗散射光栅、增大空气隙等对散射伪影进行抑制。但是基于硬件校正方法需要增加硬件设备，不仅操作麻烦，而且成本高。还可能过滤部分图像信号，导致重建图像中重要信息的丢失，从而降低其准确性。

3、基于先验数据的散射校正方法使用可形变图像配准技术将计划c本文档来自技高网...

【技术保护点】

1.一种基于深度学习的CBCT散射校正成像方法，其特征在于：包括如下步骤：

2.根据权利要求1所述的一种基于深度学习的CBCT散射校正成像方法，其特征在于：深度学习模型的构建方法为：

3.根据权利要求2所述的一种基于深度学习的CBCT散射校正成像方法，其特征在于：所述深度学习模型中使用的损失函数包括对比损失函数；

4.根据权利要求3所述的一种基于深度学习的CBCT散射校正成像方法，其特征在于：查询样本Zq的选取规则如下：

5.根据权利要求3所述的一种基于深度学习的CBCT散射校正成像方法，其特征在于：所述深度学习模型采用预训练神经网络构建而...

【技术特征摘要】

1.一种基于深度学习的cbct散射校正成像方法，其特征在于：包括如下步骤：

2.根据权利要求1所述的一种基于深度学习的cbct散射校正成像方法，其特征在于：深度学习模型的构建方法为：

3.根据权利要求2所述的一种基于深度学习的cbct散射校正成像方法，其特征在于：所述深度学习模型中使用的损失函数包括对比损失函数；

4.根据权利要求3所述的一种基于深度学习的cbct散射校正成像方法，其特征在于：查询样本zq的选取规则如下：

5.根据权利要求3所述的一种基于深度学习的cbct散射校正成像方法，其特征在于：所述深度学习模型采用预训练神经网络构建而成，其使用的损失函数还包括重建损失函数：

6.根据权利要求1-5任一所述的一种基于深度学习的cbct散射校正成像方法，其特征在于：所述深度学习模型包括至少一个编码模块、至少一个解码模块，以及至少一个特征表示模块；所述编码模块用于提取出cbct图像的图像特征；所述特征表示模块用于接收cbct图像的图像特征，并去除其中的散射信号；所述解码模块用于解码去除散射信...

【专利技术属性】
技术研发人员：杨义瑞，
申请(专利权)人：合肥锐视医疗科技有限公司，
类型：发明
国别省市：